Mise à l’échelle des caractéristiques

Transformez chaque colonne numérique séparément. Chargez/collez un CSV ou choisissez Démo, puis la transformation au-dessus de chaque colonne. Modifier les valeurs originales permet d’éditer la source ; décocher affiche le résultat actuel. Les colonnes inchangées peuvent contenir du texte. Le CSV exporte la vue affichée avec précision numérique complète ; le tableau montre six chiffres significatifs.

Min–Max : (x−min)/(max−min), extrêmes observés à 0 et 1. Z-score : (x−moyenne)/s. n−1 utilise l’écart-type d’échantillon ; n celui de population, comme scikit-learn StandardScaler. Une colonne constante devient 0 avec échelle 1, même pour une valeur unique. Log₁₀ exige des valeurs strictement positives ; transformation logarithmique, pas standardisation. Démo : A:0/0,5/1, B:−1/0/1 (n−1), C:0/1/2.

La détection automatique traite une première ligne entièrement non numérique comme en-têtes ; choisissez En-têtes ou Données si nécessaire. Séparateur détecté ; virgules décimales entre guillemets ou CSV à points-virgules. Les cellules numériques vides ou invalides sont des erreurs, jamais zéro. Limites : 200 lignes de données, 20 colonnes, 1 MiB, valeur absolue ≤ 10¹⁵⁰. Un import trop grand est refusé et conserve le tableau précédent. Calcul local.

Les paramètres utilisent toutes les lignes importées. En apprentissage, ajustez uniquement sur les données d’entraînement, puis réutilisez les paramètres sur les données de test pour éviter une fuite. Cet outil ne sépare pas entraînement/test et n’applique pas des paramètres sauvegardés à un autre jeu. Sensible aux valeurs aberrantes, la mise à l’échelle ne rend pas toute distribution normale. Inverses : Min–Max y·étendue+min, Z-score y·s+moyenne, log 10ʸ.

Seules les valeurs saisies sont conservées dans ce navigateur. Les résultats calculés et historiques ne sont pas enregistrés.